1.一种基于深度监督和逐步学习的肠道息肉检测方法，其特征在于，所述基于深度监督和逐步学习的肠道息肉检测方法，包括：输入待检测的352×352×3的肠道息肉图像，使用PVT_V2对肠镜拍摄图像进行特征提取，提取四个尺度特征，四个尺度分别为88×88×64、44×44×128、22×22×320和11×11×512；

将提取到的四个尺度的特征输入细节增强模块，输出细节增强并压缩通道数为64后的第一至第四增强特征；

将细节增强后的第一、二、三个增强特征与第二、三、四个增强特征成对输入指导融合模块，输出融合后的第一至第三融合特征；

将第一至第三融合特征和第四增强特征分别输入第一至第四层多分支解码器，第一至第四层各个多分支解码器依次连接，后一层多分支解码器的输出同时作为其前一层多分枝解码器的输入，得到多分支解码器解码后的第一至第四解码特征；

将第一至第四解码特征分别通过一个3×3的卷积，得到四个通道数为1的检测结果，以第一解码特征对应的检测结果作为最终检测结果；

其中，所述细节增强模块，执行如下操作：o

S21、将提取得到的任一尺度特征fi通过一层1×1卷积，使其压缩到64个通道并保持原o有空间尺度，去除检测任务中冗余的通道信息，输出尺度为Hi×Wi×64，Hi、Wi分别为特征fi的高度和宽度；

S22、将S21的结果分别通过1×1，3×3，5×5，7×7的4个卷积核，得到捕获了不同尺度信息的四个特征 尺度均为Hi×Wi×64；

decat

S23、将S22的结果在通道维度上进行拼接，得到尺度为Hi×Wi×256的融合特征fi ；

decat

S24、将获得的特征fi 通过两层3×3卷积，融合捕获了不同尺度信息的特征，生成增de强特征fi ，其尺度为Hi×Wi×64；

所述指导融合模块，执行如下操作：

S31、对于提取到的四个增强特征 将其以 的对应关系输入指导融合模块；

de

S32、将 用双线性插值的方式进行上采样，得到与fi 的空间维度相同的特征S33、将上采样后的特征 通过空间注意处理，得到注意力权重smapi+1表示，计算公式如下：其中，SA(·)为空间注意力；

de

S34、令特征fi 和smapi+1进行元素乘法，突出显著区域的特征，计算公式如下：其中， 为元素乘法；

de sa

S35、将fi 与fi 进行残差连接，使之保留低层特征的信息，提高训练稳定性，计算公式如下：gf sa de

fl ＝fi +fi ；

gf gf

S36、将fl 与 在通道维度上拼接融合，得到尺度为Hi×Wi×128的结果fi ；

gf

S37、将获得的特征fi 通过一层3×3卷积，融合捕获不同尺度信息的特征，输出融合特gfout征fi ，其尺度为Hi×Wi×64。

2.根据权利要求1所述的基于深度监督和逐步学习的肠道息肉检测方法，其特征在于，所述第四层多分支解码器，执行如下操作：S411、将第四增强特征 输入一个1×1卷积，进一步学习不同通道上的信息得到尺度为11×11×64结果；

S412、将S41的结果分别通过1×1，3×3，5×5的4个卷积核，得到捕获了不同尺度信息的3个特征 三个特征的尺度均为Hi×Wi×64；

S413、将S42的三个结果在通道维度上进行拼接，得到尺度为Hi×Wi×192的融合特征S414、将获得的特征 通过两层3×3卷积，融合捕获了不同尺度信息的特征，生成解码特征 其尺度为Hi×Wi×64；

所述第一至第三层多分支解码器，解码过程如下：gfout

S421、将融合特征fi 和前一个多分支解码器输出的解码特征 在通道维度上进bdin行拼接，得到尺度为Hi×Wi×64的融合特征fi ；

bdin

S422、将fi 输入一个1×1卷积，融合该层特征和上层特征的结果得到尺度为Hi×Wi×bdpre

64的结果fi ；

bdpre

S423、将fi 分别通过1×1，3×3，5×5的3个卷积核，得到捕获了不同尺度信息的3个bd1 bd2 bd3特征fi ,fi ,fi ，三个特征的尺度均为Hi×Wi×64；

bd1 bd2 bd3

S424、将特征fi ,fi ,fi 在通道维度上进行拼接，得到尺度为Hi×Wi×192的融合特bdcat征fi ；

bdcat

S425、将获得的特征fi 通过两层3×3卷积，融合捕获了不同尺度信息的特征，生成bd解码特征fi ，其尺度为Hi×Wi×64。